論文の概要: Interview-Informed Generative Agents for Product Discovery: A Validation Study

• arxiv url: http://arxiv.org/abs/2603.29890v1
• Date: Tue, 10 Mar 2026 22:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.17
• Title: Interview-Informed Generative Agents for Product Discovery: A Validation Study
• Title（参考訳）: プロダクト発見のためのインタビューインフォームド生成エージェント:検証研究
• Authors: Zichao Wang, Alexa Siu,
• Abstract要約: 本研究では,インタビューインフォームド生成エージェントが概念テストシナリオでユーザ応答をシミュレートできるかどうかを検討する。 その結果,エージェントは分布校正されているが,識別精度は低いことがわかった。
• 参考スコア（独自算出の注目度）: 4.775774786716911
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language models (LLMs) have shown strong performance on standardized social science instruments, but their value for product discovery remains unclear. We investigate whether interview-informed generative agents can simulate user responses in concept testing scenarios. Using in-depth workflow interviews with knowledge workers, we created personalized agents and compared their evaluations of novel AI concepts against the same participants' responses. Our results show that agents are distribution-calibrated but identity-imprecise: they fail to replicate the specific individual they are grounded in, yet approximate population-level response distributions. These findings highlight both the potential and the limits of LLM simulation in design research. While unsuitable as a substitute for individual-level insights, simulation may provide value for early-stage concept screening and iteration, where distributional accuracy suffices. We discuss implications for integrating simulation responsibly into product development workflows.
• Abstract（参考訳）: 大規模言語モデル (LLM) は, 標準化された社会科学機器において高い性能を示したが, 製品発見の価値は未だ不明である。 本研究では,インタビューインフォームド生成エージェントが概念テストシナリオでユーザ応答をシミュレートできるかどうかを検討する。 知識労働者との詳細なワークフローインタビューを用いて、パーソナライズされたエージェントを作成し、新しいAI概念の評価と参加者の反応を比較した。 本研究の結果から, エージェントは分布校正されているが, 同一性不正確であることが明らかとなった。 これらの結果は,LLMシミュレーションの可能性と限界の両方を浮き彫りにした。 個々のレベルの洞察の代わりには適さないが、シミュレーションは初期概念のスクリーニングと反復に価値を与え、分布精度が十分である。 本稿では,製品開発ワークフローに責任を負うシミュレーションを統合することの意味について論じる。

関連論文リスト

• Pitfalls in Evaluating Interpretability Agents [91.49742416116635]
  我々は,実験を反復的に設計し,仮説を洗練するエージェントシステムを構築した。 我々の研究は、複雑な自動解釈可能性システムを評価する上での根本的な課題を実証している。
  論文  参考訳（メタデータ） (2026-03-20T16:27:17Z)
• Individual Turing Test: A Case Study of LLM-based Simulation Using Longitudinal Personal Data [54.145424717168794]
  大きな言語モデル(LLM)は、目覚ましい人間のような能力を示しているが、特定の個人を複製する能力は未発見のままである。 本稿では,10年以上にわたるプライベートメッセージ履歴のボランティア配信アーカイブを用いて,LSMに基づく個人シミュレーションのケーススタディを提案する。 本研究は,ボランティアの知人が,最も有望な多候補プール内の応答を正確に識別できるかどうかを評価するための「個別チューリングテスト」を提案する。
  論文  参考訳（メタデータ） (2026-03-01T21:46:27Z)
• Position: AI Agents Are Not (Yet) a Panacea for Social Simulation [62.891898598784415]
  大規模言語モデル(LLM)の最近の進歩は、社会シミュレーションにLLM統合エージェントを使うことへの関心が高まっている。 このポジションペーパーは、LSMをベースとしたエージェントは社会シミュレーションのパナセアではないと主張している。
  論文  参考訳（メタデータ） (2026-02-19T06:35:07Z)
• HumanStudy-Bench: Towards AI Agent Design for Participant Simulation [11.906370453952265]
  大規模言語モデル (LLMs) は、社会科学実験のシミュレーション参加者としてますます使われている。 HUMANSTUDY-BENCHは、LLMベースのエージェントを編成し、人体実験を再構築するベンチマークおよび実行エンジンである。 科学的推論のレベルでの忠実度を評価するために,人間とエージェントの行動がどの程度一致しているかを定量化するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2026-01-31T12:07:42Z)
• Are LLM Agents Behaviorally Coherent? Latent Profiles for Social Simulation [18.70850695450292]
  LLM(Large Language Models)は、人工エージェントが人間-対象研究の実際の参加者の代用として機能するという考えを後押ししている。 エージェントは内部の整合性を維持し、異なる実験条件下での調査において同様の行動を維持するか? 本研究では,エージェントの会話行動が,内部状態から期待するものと一致しているかを検討する。
  論文  参考訳（メタデータ） (2025-09-03T21:55:29Z)
• Psychometric Item Validation Using Virtual Respondents with Trait-Response Mediators [13.3155239959814]
  大規模言語モデル(LLM)を用いた仮想応答シミュレーションのためのフレームワークを提案する。 私たちの中心となる考え方は、仲介者を説明することです。同じ特性が調査項目に対するさまざまな反応を引き起こす要因です。 3つの心理特性理論 (Big5, Schwartz, VIA) の実験により, メディエータ生成法とシミュレーションフレームワークが高妥当性項目を効果的に同定できることが示されている。
  論文  参考訳（メタデータ） (2025-07-08T11:26:03Z)
• Should you use LLMs to simulate opinions? Quality checks for early-stage deliberation [5.4260854377259315]
  そこで我々は,LLMを模擬したQuality Controlアセスメントを提案する。 この評価は2つの重要なテストから成っている。 どのモデルやメソッドも完全な評価をパスせず、いくつかの障害モードを明らかにします。
  論文  参考訳（メタデータ） (2025-04-11T20:16:02Z)
• Do LLMs Play Dice? Exploring Probability Distribution Sampling in Large Language Models for Behavioral Simulation [73.58618024960968]
  人間のシーケンシャルな意思決定過程をエミュレートするエージェントとして、大きな言語モデル(LLM)を採用する研究が増えている。 このことは、確率分布を理解するためにLLMエージェントの容量に関する好奇心を喚起する。 分析の結果, LLM エージェントは確率を理解できるが, 確率サンプリングに苦慮していることがわかった。
  論文  参考訳（メタデータ） (2024-04-13T16:59:28Z)
• Generative Judge for Evaluating Alignment [84.09815387884753]
  本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。 我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。 実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
  論文  参考訳（メタデータ） (2023-10-09T07:27:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。